●譯者序
前言
作者簡介
第一部分 數據分析基礎 1
第1章 數據矩陣 3
1.1 數據矩陣的組成 3
1.2 屬性 4
1.3 數據：代數和幾何觀點 5
1.3.1 距離和角度 7
1.3.2 均值和總方差 9
1.3.3 正交投影 10
1.3.4 線性無關和維數 12
1.4 數據：概率觀點 13
1.4.隨機變量 17
1.4.隨機變量 20
1.4.3 隨機抽樣與統計 21
1.5 拓展閱讀 22
1.6 練習 23
第2章 數值型屬性 24
2.分析 24
2.1.1 集中趨勢度量 25
2.1.2 離散度度量 28
2.分析 32
2.2.1 位置和離散度的度量 33
2.2.2 相關性度量 33
2.分析 37
2.4 數據歸一化 41
2.5 正態分布 42
2.5.正態分布 43
2.5.正態分布 44
2.6 拓展閱讀 47
2.7 練習 47
第3章 類別型屬性 49
3.分析 49
3.1.1 伯努利變量 49
3.1.伯努利變量 51
3.分析 56
3.分析 65
3.4 距離和角度 69
3.5 離散化 70
3.6 拓展閱讀 72
3.7 練習 72
第4章 圖數據 74
4.1 圖的概念 74
4.2 拓撲屬性 77
4.3 中心度分析 81
4.3.1 基本中心度 81
4.3.2 Web中心度 82
4.4 圖模型 89
4.4.1 Erd?s-Rényi隨機圖模型 91
4.4.2 Watts-Strogatz小世界圖模型 94
4.4.3 Barabási-Albert無標度模型 98
4.5 拓展閱讀 104
4.6 練習 105
第5章 核方法 107
5.1 核矩陣 110
5.1.1 再生核映射 111
5.1.2 Mercer核映射 113
5.2 向量核 115
5.3 特征空間中的基本核運算 119
5.4 復雜對像的核 124
5.4.1 字符串的譜核 124
5.4.2 圖節點的擴散核 125
5.5 拓展閱讀 129
5.6 練習 129
第6章 高維數據 130
6.1 高維對像 130
6.2 高維體積 133
6.3 超立方體的內接超球面 135
6.4 薄超球面殼的體積 136
6.5 超空間的對角線 137
6.正態分布的密度 138
6.7 附錄：超球面體積的推導 140
6.8 拓展閱讀 143
6.9 練習 144
第7章 降維 146
7.1 背景介紹 146
7.2 主成分分析 149
7.2.1 很優一維近似 149
7.2.2 很優二維近似 152
7.2.3 很優r維近似 155
7.2.4 主成分分析的幾何意義 158
7.3 核主成分分析 160
7.4 奇異值分解 166
7.4.1 奇異值分解中的幾何意義 167
7.4.2 SVD和PCA之間的聯繫 168
7.5 拓展閱讀 169
7.6 練習 169
第二部分 頻繁模式挖掘 171
第8章 項集挖掘 173
8.1 頻繁項集和關聯規則 173
8.2 項集挖掘算法 176
8.2.1 逐層方法：Apriori算法 177
8.2.2 事務標識符集的交集方法：Eclat算法 181
8.2.3 頻繁模式樹方法：FPGrowth算法 184
8.3 生成關聯規則 188
8.4 拓展閱讀 189
8.5 練習 190
第9章 項集概覽 194
9.1 優選頻繁項集和閉頻繁項集 194
9.2 挖掘優選頻繁項集：GenMax算法 196
9.3 挖掘閉頻繁項集：Charm算法 198
9.4 非可導項集 200
9.5 拓展閱讀 205
9.6 練習 205
第10章 序列挖掘 208
10.1 頻繁序列 208
10.2 挖掘頻繁序列 209
10.2.1 逐層挖掘：GSP 209
10.2.2 垂直序列挖掘：Spade 211
10.2.3 基於投影的序列挖掘：PrefixSpan 212
10.3 基於後綴樹的子串挖掘 214
10.3.1 後綴樹 214
10.3.2 Ukkonen線性時間復雜度算法 217
10.4 拓展閱讀 222
10.5 練習 223
第11章 圖模式挖掘 226
11.1 同構與支持度 226
11.2 候選圖生成 229
11.3 gSpan算法 232
11.3.1 擴展和支持度計算 233
11.3.2 權威性檢測 238
11.4 拓展閱讀 239
11.5 練習 239
第12章 模式評估與規則評估 242
12.1 模式評估和規則評估的度量 242
12.1.1 規則評估度量 242
12.1.2 模式評估度量 249
12.1.3 比較多條規則和模式 251
12.2 顯著性檢驗和置信區間 253
12.2.1 產生式規則的費希爾準確檢驗 254
12.2.2 顯著性的置換檢驗 257
12.2.3 置信區間內的自助抽樣 261
12.3 拓展閱讀 262
12.4 練習 263
第三部分 聚類 265
第13章 基於代表點的聚類 267
13.1 K-means算法 267
13.2 核K-means 271
13.3 期望優選化聚類 274
……

本書詳實介紹了數據挖掘與機器學習相關的各種內容，包括數據矩陣、圖數據、核方法、項集挖掘、聚類、貝葉斯分類器、決策樹、支持向量機、線性回歸、邏輯回歸、神經網絡、深度學習等，介紹其相關概念和基礎算法，並在每章的末尾配有相關練習。第二版新增了幾個關於回歸的章節，包括神經網絡和深度學習的內容。